javascript - 查找分解的 unicode 字符以替换为预先组合的等价物

Question

针对ECMAScript 2019我们有相当不错的 unicode 支持的地方。我正在创建一个简单的文本查看器，我想在其中通知用户某个分解的字符可以转换为预先组合的字符。我怎样才能找到这些字符？

一个例子。考虑下面的信。首先我们有分解的版本，然后是预组合的。

• ä-0061 0308在 UTF-16 中
• ä-00E4在 UTF-16 中

现在，混合这些看似相同的字符意味着一些问题。当用户搜索“ä”时，不会找到所有预期的出现，正如这个正则表达式所示：

在这里，我们得到了三场比赛。令人困惑！同样，在此文本中搜索“ä”只会得到一个匹配项。

这个问题。为了帮助用户了解正在发生的事情，我想突出显示任何具有合适的预组合版本的分解字符。因此我需要找到这些字符组的开始和结束。

我怎样才能做到这一点？

标签： javascriptregex

Answer 1

您可以在符合 ECMAScript 2018+ 的 RegExp 中使用字母 + 变音符号模式：

const re = /\p{Alphabetic}\p{M}+/ug;
const matches = "ständig".matchAll(re); // With decomposed/multibyte char
console.log([...matches].map(x=>[x.index, x.index+x[0].length]))
// => [ [2,4] ]

这里，

• \p{Alphabetic}- 匹配任何字母
• \p{M}+- 任何一个或多个变音符号。